211service.com
The Race to Power AIs Silicon Brains
Maddie Edgar
Nigel Toon, medgründer og administrerende direktør i Graphcore, en halvlederoppstart basert i Storbritannia, minner om at for bare et par år siden så mange venturekapitalister på ideen om å investere i halvlederbrikker som en spøk. Du ville tatt med deg en idé til et møte, sier han, og mange av partnerne rullet rundt på gulvet og ler. Nå får noen chip-gründere en helt annen mottakelse. I stedet for å rulle på gulvet, ruller investorene ut sjekkheftene sine.
Risikokapitalister har god grunn til å være på vakt mot silisium, selv om det ga Silicon Valley navnet sitt. Halvlederbrikker koster langt mer å utvikle enn programvare, og inntil nylig har det vært lite rom for radikale innovasjoner for å skille nye versjoner. Selv om de overlever, ender ofte unge selskaper opp med fortjenestemarginer som er tynnere enn silisiumplatene deres er laget av. Gigantiske etablerte selskaper som Intel og Nvidia er formidable konkurrenter med dyp bransjekunnskap og enda dypere lommer.
Det som har endret seg er en økende tro blant noen investorer på at kunstig intelligens kan være en unik mulighet til å skape betydelige nye halvlederselskaper. Venturekapitalister har investert 113 millioner dollar i AI-fokuserte brikkestartups i år – nesten tre ganger så mye som i hele 2015, ifølge data fra PitchBook, en tjeneste som sporer private selskapstransaksjoner.
Relatert historie
Relatert historie Graphcore har vært en av mottakerne av dette skiftet, og har nylig lagt til 50 millioner dollar i finansiering fra Sequoia Capital, et ledende ventureselskap i Silicon Valley. En rekke andre brikkestartups, inkludert Mythic, Wave Computing og Cerebras i USA og DeePhi Tech og Cambricon i Kina, utvikler også nye brikker skreddersydd for AI-applikasjoner. Cambricon, en av de mest fremtredende kinesiske startupene på feltet, har samlet inn 100 millioner dollar i en innledende finansiering ledet av et kinesisk statlig fond.
Helt siden bruken av stormaskinen har fremskritt innen datamaskinvare utløst innovasjoner innen programvare. Disse har på sin side inspirert etterfølgende forbedringer i maskinvare. AI er den siste vrien i denne digitale syklusen. Bedrifter i mange bransjer har investert tungt i maskinvare for å kjøre dyplæringssystemer (se 10 Breakthrough Technologies 2013: Deep Learning). Men etter hvert som disse blir mer sofistikerte, avslører de begrensningene til eksisterende brikker som brukes til AI-arbeid.
Mange av disse prosessorene kommer fra Nvidia, hvis grafikkbrikker er mye brukt til å drive spill og grafisk produksjon. Prosessorene har tusenvis av bittesmå datamaskiner som opererer parallelt for å gjengi piksler. Med noen justeringer har de blitt tilpasset til å kjøre dyplæringsalgoritmer, som også involverer et stort antall parallelle beregninger (se administrerende direktør i Nvidia: Software Is Eating the World, but AI Is Going to Eat Software).
Selv om de har blitt bredt tatt i bruk, har grafikkbrikker noen ulemper. En av de største er at når et stort antall av dem jobber parallelt, suger de til seg mye energi. Carnegie Mellon University, et ledende AI-forskningssenter, har til og med måttet be forskere der om å redusere bruken av brikkene midlertidig fordi de belastet universitetets kraftsystem. Franz Franchetti, professor ved CMU, sier at universitetet ser på alternative strømkilder for å lindre problemet.
AI-chip-oppstartene planlegger å produsere mer strømeffektive prosessorer. Men det som virkelig gir dem energi er deres tro på at skreddersydde prosessorer for AI-applikasjoner kan slå mindre spesialiserte brikker ved en lang rekke maskinlæringsoppgaver. Den nye generasjonen brikker kombinerer flere prosesseringsfunksjoner i ett enkelt trinn, mens grafikkprosessorer tar flere trinn for å oppnå samme resultat. Funksjonene er vanligvis samlet for å optimere spesifikke brukstilfeller, for eksempel treningsalgoritmer for å hjelpe en autonom bil med å oppdage potensielle hindringer fremover.
Relatert historie
Relatert historie Jensen Huang spår at helsevesen og biler kommer til å bli transformert av kunstig intelligens.Graphcore hevder at i foreløpige tester er den nye intelligensbehandlingsenheten, som vil sendes til tidlige kunder i første kvartal neste år, mellom 10 og 100 ganger raskere enn dagens maskinvare ved slike oppgaver. Kinesiske Cambricon vinner allerede hyllest for sine prosessorer. Huawei, en Cambricon-kunde, regner med at for dyplæringsapplikasjoner som treningsalgoritmer for å identifisere bilder, er oppstartens brikker seks ganger raskere enn å kjøre den samme funksjonen på en grafikkprosessor.
Forskere er begeistret over utsiktene til et betydelig sprang fremover i datakraft for AI. Det er fortsatt et stort gap mellom hvor vi er og hva vi ønsker å gjøre, sier Andrew Davison, professor ved Imperial College i Storbritannia som fokuserer på robotikk og datasyn. Davison tror innovasjonene som kommer til markedet av chip-startups vil akselerere fremgangen på felt som hans eget.
Slike reaksjoner er oppmuntrende, men de vil ikke garantere seier. Store brikkeselskaper avduker allerede sine egne laget for AI-brikker for å konkurrere med oppstartsbedriftenes tilbud. Intel, for eksempel, kunngjorde nylig planer om å gi ut en ny familie av prosessorer designet med Nervana Systems, en oppstart den kjøpte i fjor. Nvidia beveger seg også raskt for å oppgradere egenskapene til sine egne brikker.
Startupene står overfor en annen utfordring. Mange av dem designer maskinvare for å støtte høyt spesialiserte AI-applikasjoner. Men det kan ta år å få en brikke på markedet. Gitt hastigheten som AI utvikler seg med, er det en reell risiko for at når produktene deres er allment tilgjengelige, vil bruksområdene de ble designet for, ikke lenger være i fokus.
Shahin Farshchi fra Lux Capital, som investerte i Nervana og har en eierandel i Mythic, trekker en parallell med startups som bygger prosessorer for trådløse 4G-applikasjoner på midten av 2000-tallet. Mange av disse endte opp med å mislykkes fordi de optimaliserte for applikasjoner som ikke ble mainstream. Det kommer til å bli en shakeout igjen for chipselskaper som er veldig snevert fokuserte, sier han.
Men hvis unge firmaer bygger sjetonger som spenner over et for bredt sett med bruksområder, vil de sannsynligvis ofre ytelsesnivåer. Og det kan gjøre dem sårbare for konkurranse fra Nvidia, Intel og andre. Noen kan bli kjøpt av brikkegigantene. Men hvis mange ender opp med å mislykkes, vil venturekapitalister begynne å rulle opp sjekkheftene sine igjen.